基于非侵入式电力负荷监测系统的用电行为研究

非侵入式负荷监测系统由于所需硬件安装少,对负荷的分析较为精确,以及较好的经济性等特点成为未来负荷监测的发展趋势之一。主要介绍了非侵入式负荷监测主流分析方法和系统基本框架,总结其基本原理与主要使用的算法流程,对该非侵入式终端设备系统的各组成模块进行相关描述,设计出一套切实可行的非侵入式居民电力负荷监测终端系统。在非侵入采集的基础上,提出基于非侵入式采集数据的用电行为分析模型,为用户提供细致到单个家用电器的“千人千面”私人定制化用电优化方案,实现非侵入式终端负荷可视化以深入挖掘数据价值。     

非侵入式负荷监测与分解研究综述

非侵入式负荷监测与分解,作为智能用电技术体系的重要组成部分之一,能深入分析用户内部的负荷成分,获取不同精细程度的用户用电信息,这对用户、电力公司等多方都具有重大的意义。文章综述了国内外在非侵入式负荷监测与分解方面的研究现状,归纳了其基本原理与典型框架,着重论述了其中的3个关键技术,即事件探测、特征提取、负荷识别,并比较了这3个关键技术的不同方法,明确了各类方法的优缺点,分析了非侵入式负荷监测与分解的一些性能评价指标。最后,探究了非侵入式负荷监测与分解在用户层与变电站层的应用,并展望了将来的研究方向。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

非侵入式居民电力负荷监测与分解技术

非侵入式居民电力负荷监测与分解技术是一种全新的监测负荷耗电细节的技术。居民用电细节监测在电力公司优化电网的规划、运行与管理,电力用户节省耗电量和电费,以及全社会把提高生态文明意识付诸实践等方面具有重要意义。在这种用电细节监测中,非侵入式方法同侵入式方法相比具有简单、经济、可靠和易于迅速推广应用等优势。从实现非侵入式居民电力负荷监测与分解的基本依据——负荷印记入手,简述了基本原理、负荷分解模型和求解方法。该项技术有望发展成为新一代智能电表的核心技术。鉴于居民电力负荷组成最为复杂,该技术亦可用于工业和商业负荷用电细节的监测。     

基于改进GMM-CNN-GRU混合的非侵入式 负荷监测方法研究

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。     

基于非侵入式负荷监测的居民用电行为分析

对基于非侵入式负荷监测的居民用电行为分析方法进行了研究。首先,设计了一种基于滑动窗的事件探测算法,并以负荷电流奇次谐波幅值为特征建立负荷特征库,提出基于Adaboost的BP神经网络负荷识别算法,集成多个BP神经网络以提高识别准确率。然后,利用负荷识别结果对用户总功率信号进行分解,得到各个电器具体的用电信息,并结合分时电价,得到居民用电行为的详细分析结果。最后通过实际居民用户数据验证所提方法的有效性,并从家庭节能和需求侧管理两个方面给出了优化用电建议。研究成果对实现居民用户与电网友好互动提供了决策支持。     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

电网负荷分类评价反馈算法研究

随着电力设备技术研究的不断发展,智能城市和智能电网概念的提出,促使企业对用户的精细化服务要求也越来越高。因此,为实现对用户用电细粒度感知,提高与用户沟通交互效率,基于用电清单评价内容,结合深度学习算法,建立分类评价反馈模型,对评价文本进行分类及情感分析,最后根据实际分析结果建立评价反馈机制,对负荷辨识技术进行调整反馈。试验结果表明电网负荷分类评价反馈算法提高了电网非侵入式负荷辨识的准确率,有利于提升用户用电体验度。     

基于U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法

识别用户的负荷用电特性与用电行为是智能电网的重要研究内容之一。该文提出一种基于U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。首先,利用拟合优度检验捕捉用电器投切事件,提取负荷的有功、无功功率变化量以及U-I轨迹3类特征。然后,进行两阶段负荷识别:第一阶段利用考虑初始优化的k-means算法对有功、无功变化量进行聚类,并压缩聚类个数,将功率特征相近的用电器聚为同组,得到一阶段识别判据,实现负荷粗辨识;第二阶段针对一阶段存在的识别盲区,构建卷积神经网络模型,以二维U-I轨迹图作为输入,通过卷积神经网络自动提取轨线的有效特征,实现一阶段盲区负荷的精细化识别。最后,利用BLUED数据集进行方法有效性的验证。     

一种小微负荷智能监测与聚合分析系统研究

用户小微负荷资源众多、容量丰富、分布不均,可与电网进行双向互动。为打通电网公司与用户的精细化友好互动通道,实现用户侧小微负荷需求响应资源充分利用,构建了一种小微负荷智能监测与聚合分析系统。首先考虑用户功率、电流等特征差异,提出基于马氏距离相似度匹配的小微负荷构成非侵入式监测方法,实现小微负荷的细粒度监测;然后考虑小微负荷的物理特性和响应原理不同,提出基于用户舒适度指标的小微负荷需求响应能力分级聚合方法,实现小微负荷响应能力评估;最后,在某小微负荷智能监测与聚合分析系统中对所提方法进行实际测试,结果表明,该系统能较好地对小微负荷进行细粒度监测以及聚合分析与控制,可为后续更深层次研究提供测试平台。     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

基于NILM数据的电力用户能效量化分析方法

随着节能减排理念的普及,通过大数据技术分析用户用电情况,引导用户改善用电习惯、提高用电效率、降低用电成本已成为趋势。本文通过分析影响电力用户能效的因素,结合非侵入式负荷监测NILM(non-intru?sive load monitoring)技术可获得的数据,构建了易于获取和量化的家庭能效评估指标体系。在上述基础上提出了基于NILM数据的家庭电力用户能效量化分析方法,给出了能效量化分析和综合评估的具体流程,并提供了可构建的电力用户能效分析系统架构。最后,通过一些案例分析,验证了所提能效评估方法的有效性。     

面向非干预式负荷监测的居民负荷微观特性研究

非干预式负荷监测技术是未来负荷监测的重要发展方向,基于此技术开发创新性服务产品需要对非干预式负荷监测技术应用基础展开详细研究。建立了非干预式负荷监测应用体系;提出体系中负荷识别算法的实现原理;由于负荷特性研究是非干预式负荷监测的基础,各类创新性服务产品的开发必须以负荷特性研究为基础。对居民负荷的微观特性进行深入研究,基于实测波形提取了典型电器的多个微观特征参数,如波峰系数、瞬时功率峰值和有效值、V-I特性曲线面积及中心线斜率等,并提出了各负荷特性特征值的计算方法。该成果为后续的基于非干预式负荷监测的用电可视化服务研究工作打下基础。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

基于全局与滑动窗口结合的Attention机制的非侵入式负荷分解算法

非侵入式负荷监测(non-intrusive load monitoring, NILM)是指在电力入口处安装监测设备,利用总用电负荷得到用电侧单个用电设备状态的方法。由此可以准确地刻画用户用电画像,故NILM是电网智能配电和给予用户侧精细化管理的关键技术之一。随着深度学习在NILM的应用,对于负荷的识别与功率分解能力有所提升,但在训练模型的速率与模型的预测准确率上依旧不高,为此,文章提出基于全局与滑动窗口相结合的注意力机制的负荷分解模型。该模型首先将输入总负荷功率序列通过功率嵌入矩阵映射到高维向量,并利用基于双向LSTM的编码器进行信息提取;通过引入全局与滑动窗口相结合的Attention机制,从提取的信息中选取与当前时刻相关度高的信息,用于解码并最终得到负荷分解结果。在数据集REFIT上验证了所提算法在速率和准确率上有更好的效果。     

基于负荷特性分析的电力用户用电行为特征研究

通过定义用电特性指标、划分负荷重要性等级,建立了针对精细化需求响应的新型负荷特性分析指标体系。以某企业用电数据为例,应用主成分分析法分析了用电行为影响因素,利用决策树分类法提取了用电行为影响因素特征量。并结合实际算例,研究了用户典型用能模式的特点及其行为原因,为需求响应策略的制订提供理论支持。     

非侵入式低压配电网短路事故检测及定位方法

非侵入测量技术是新一代高级量测核心技术,最大的优点是无需侵入用户内部施工和进行复杂通信。将非侵入测量技术应用于短路事故统计和定位,首先,基于短路试验和理论建模,提出了断路器保护动作下低压配电网短路事故的发生判据及其整定流程;接着提出了非侵入架构下短路事故的定位算法,具体包括：配电层次初步定位方法、基于功率跌落的回路初步定位方法及复用分项计量电表的精确定位方法。算法实验期间,非侵入短路事故检测样机共定位4起单相短路事故,有效提高了用户的安全用电水平,同时大幅降低了用电安全监测系统的建设费用。     

基于数据驱动方法的疫情阶段电力用户负荷特性画像模型

电力用户负荷画像建模是一种面向用户的、通过挖掘用电数据中的负荷特性建立差异化画像标签的重要方法,现有研究方法多侧重于画像方法的研究,而缺乏完善的负荷特性标签体系。文章提出了一种基于数据驱动的负荷特性分析通用方法,从调度部门最关注的用电规律性、平顺度、负荷调控能力以及疫情影响度四方面构建负荷特性标签体系。首先,采用模糊C均值聚类算法从海量实际负荷数据中提取行业典型负荷曲线,综合考虑各行业用电特性,从4个方面构建完善的负荷特性标签体系,并建立考虑疫情影响的多类型用户负荷特性画像模型。其次,细化负荷特性标签,给出相应指标定义和计算方法,并采用模糊聚类算法判定指标分界,采用熵权法对用电平顺度进行综合评分。最后,通过算例对各行业典型用户的用电数据进行分析,并给出普适的指标分界,为各行业电力用户负荷建模提供了一种新思路。